Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Deep Learning Model til diagnose og kontur af cervikal lymfeknude for nasopharyngeal carcinom

25. februar 2022 opdateret af: Fang-Yun Xie, Sun Yat-sen University

Magnetisk resonansbilleddannelse baseret på dyb indlæringsmodel til diagnose og kontur af cervikal lymfeknude for nasopharyngealt karcinom: en multicenterundersøgelse

Diagnosen af ​​cervikal lymfeknude i nasopharyngeal carcinom er vanskelig. Magnetisk resonansbilleddannelse baseret dyb læringsmodel kan være en ikke-invasiv og hurtig diagnostisk metode til cervikal lymfeknude. Således sigtede efterforskerne på at udvikle og eksternt validere en dyb læringsmodel til at hjælpe med diagnosticering og lokalisering af metastatiske lymfeknuder i nasopharyngeal carcinom.

Studieoversigt

Status

Rekruttering

Betingelser

Undersøgelsestype

Observationel

Tilmelding (Forventet)

5000

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

  • Navn: Fang-Yun Xie, professor
  • Telefonnummer: 2618 +86-20-87342618
  • E-mail: xiefy@sysucc.org.cn

Studiesteder

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510060
        • Rekruttering
        • Sun Yat-sen University Cancer Center
        • Kontakt:

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Nasopharyngealt karcinom

Beskrivelse

Inklusionskriterier:

  • Patologisk diagnose af nasopharyngeal carcinom; Cervival lymfeknuder bekræftet af patologi

Ekskluderingskriterier:

  • en historie med kræft

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Tidsramme
Følsomhed og specificitet
Tidsramme: 31-12-2022
31-12-2022

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Sun Yat-sen University

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

5. januar 2021

Primær færdiggørelse (Forventet)

31. december 2022

Studieafslutning (Forventet)

31. december 2022

Datoer for studieregistrering

Først indsendt

8. februar 2022

Først indsendt, der opfyldte QC-kriterier

8. februar 2022

Først opslået (Faktiske)

9. februar 2022

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

28. februar 2022

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

25. februar 2022

Sidst verificeret

1. februar 2022

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • B2020-334

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .

Abonner